横向合并不同DataFrame出现NaN值，寻求可行替代实现方案

首先得说清楚你原来的代码为什么会出NaN：你的df1索引是ABS，但df2的索引是XYJ，两个索引完全不匹配。当你用join_axes=[df1.index]时，Pandas只会保留df1的索引，而df2在这个索引上没有对应的数据，自然就填充NaN了。

下面给你几个可行的替代方法：

方法1：统一两个DataFrame的索引后再合并 #

先把df2的索引改成和df1完全一致，这样concat的时候就能精准匹配了：

import pandas as pd

# 你的原始数据
df1 = pd.DataFrame({'X': [5], 'Y': [6]}, index=['ABS'])
df2 = pd.DataFrame({'J': [7]}, index=['XYJ'])

# 调整df2的索引为df1的索引
df2.index = df1.index
# 横向合并
rdo = pd.concat([df1, df2], axis=1)
print(rdo)

输出结果就是你想要的：

X  Y  J
ABS  5  6  7

方法2：直接用assign()添加列 #

因为df2只有一行数据，你可以直接提取它的数值，用assign()方法把新列加到df1上，这种方法更简洁：

rdo = df1.assign(J=df2['J'].iloc[0])
print(rdo)

这个方法不需要调整索引，直接把df2里的J列值取出来（iloc[0]取第一行），作为新列添加到df1中，结果同样符合要求。

方法3：用merge()指定索引匹配 #

如果你想保留merge的灵活性，可以把df2转置后再按索引合并：

# 把df2转置成行格式，索引变成列名，列名变成索引
df2_transposed = df2.T
# 按左索引合并，保留df1的索引
rdo = df1.merge(df2_transposed, left_index=True, right_index=True, how='left')
print(rdo)

这种方法适合当df2有多行，但你只需要匹配特定行的情况，不过这里因为df2只有一行，转置后索引就是J，合并后就能得到正确结果。

内容的提问来源于stack exchange，提问作者JamesHudson81